本发明涉及数据增强，尤其涉及一种微多普勒雷达数据增强方法、系统、终端及计算机可读存储介质。
背景技术：
1、基于雷达微多普勒特征的人体活动识别(human activity recognition，har)因其在监控和人机交互等领域的广泛应用而引起了极大的研究兴趣。传统的har模型通常基于信号处理技术，而最近的深度学习模型在性能上取得了显著的进展。然而，获取雷达数据往往需要大量的人力和时间，这导致了训练深度学习模型时标注样本的不足。
2、现有的一些生成方法致力于生成样本的自然性，尤其是在视觉信号领域，这些方法的主要目的是为观看者提供令人满意的视觉体验。
3、在提供类别标签的情况下，生成样本的真实性对于har任务也是至关重要的。例如，一种广泛采用的解决方案是通过对抗性损失或其变体生成基于真实标签的合成样本。简单来说，生成器和判别器会同步训练，以使合成样本的分布接近真实样本的分布。然而，由于真实微多普勒数据的稀缺，在同步训练期间判别器会很快过拟合，导致样本真实性下降。
4、一种替代解决方案是在不使用任何判别器的情况下，通过自编码器(ae，autoencoder)架构为真实样本构建一个潜在特征空间。假设真实样本特征在潜在空间中形成一个流形，通过解码流形上的随机特征可以生成合成样本。在获取随机特征的过程中，大多数生成方法忽略了多普勒特征的性质，仅将其视为光学图像。不同于光学图像，微多普勒特征的连续列彼此相关，本质上是时间序列。这种因果性在特征编码后仍然存在。因此，在生成微多普勒特征时，需要考虑时间因果性来获取随机特征。
5、现有的方法通常通过像素级或时间级的方式直接对遵循特定分布的雷达样本进行建模。然而，在微多普勒特征中，许多像素更多地被噪声而非信号主导。因此，直接对微多普勒特征进行建模是不合理的，而是希望对其低维表示进行建模，因为低维表示具有更少的噪声。
6、值得注意的是，低维表示中的元素之间的位置拓扑关系与对应的微多普勒特征中的关系基本相同。使用编码器和量化器从微多普勒特征获取低维表示，编码器只包含卷积操作，具有平移不变性。量化器只是将每个元素位置的编码特征替换为离散索引。因此，在建模低维表示时应考虑元素依赖关系。
7、虽然一些研究人员在生成样本时已经将预定义的类别标签作为条件进行编码，但大多数现有方法简单地在数据增强中使用硬标签，这意味着生成的样本预计肯定属于某一类别。然而，在识别或分类任务中，模糊类别的样本比明确属于某一类别的样本对特征空间中的分类边界影响更大。
8、因此，现有技术还有待于改进和发展。
技术实现思路
1、本发明的主要目的在于提供一种微多普勒雷达数据增强方法、系统、终端及计算机可读存储介质，旨在解决现有技术中基于雷达微多普勒特征的人体活动识别模型的性能差，样本生成的自然性和真实性不高的问题。
2、为实现上述目的，本发明提供一种微多普勒雷达数据增强方法，所述微多普勒雷达数据增强方法包括如下步骤：
3、将微多普勒特征样本输入到基于辅助分类器的自动编解码器，输出合成微多普勒特征样本和类别标签，以完成所述基于辅助分类器的自动编解码器的训练；
4、将所述基于辅助分类器的自动编解码器得到的低维表示和对应的类别标签输入到基于时间-频率因果的生成器，输出考虑时间因果关系的概率分布，以完成所述基于时间-频率因果的生成器的训练；
5、使用训练后的所述基于辅助分类器的自动编解码器根据给定的真实样本提取低维表示，使用训练后的所述基于时间-频率因果的生成器根据真实样本的类别标签作为生成条件，从低维表示生成新表示，使用训练后的所述基于辅助分类器的自动编解码器从新表示中生成合成样本。
6、可选地，所述的微多普勒雷达数据增强方法，其中，所述基于辅助分类器的自动编解码器包括：编码器、量化器、解码器和辅助分类器；
7、所述将微多普勒特征样本输入到基于辅助分类器的自动编解码器，输出合成微多普勒特征样本和类别标签，具体包括：
8、获取微多普勒特征样本，将所述微多普勒特征样本输入到所述基于辅助分类器的自动编解码器；
9、通过所述编码器和所述量化器共同作用，提取出包含时间信息和类别信息的低维表示；
10、通过所述解码器利用所述低维表示生成一个合成微多普勒特征样本；
11、通过辅助分类器利用所述低维表示提取所述微多普勒特征样本的类别信息，并生成类别标签；
12、其中，所述解码器的输出目标是所述编码器的输入；所述辅助分类器的输出目标是所述编码器输入的标签。
13、可选地，所述的微多普勒雷达数据增强方法，其中，所述基于时间-频率因果的生成器包括：多个因果块、残差和注意力块以及采样块；
14、所述将所述基于辅助分类器的自动编解码器得到的低维表示和对应的类别标签输入到基于时间-频率因果的生成器，输出考虑时间因果关系的概率分布，具体包括：
15、将所述基于辅助分类器的自动编解码器输出的低维表示和对应的类别标签作为输入，输入到基于时间-频率因果的生成器；
16、通过多个所述因果块以及所述残差和注意力块，将输入转化为考虑时间因果关系的概率分布；
17、在所述考虑时间因果关系的概率分布上进行随机采样，得到一个新表示，通过多次重复的随机采样过程优化所述考虑时间因果关系的概率分布，使输出表示接近输入表示，以输入的类别标签作为生成条件。
18、可选地，所述的微多普勒雷达数据增强方法，其中，所述使用训练后的所述基于辅助分类器的自动编解码器根据给定的真实样本提取低维表示，使用训练后的所述基于时间-频率因果的生成器根据真实样本的类别标签作为生成条件，从低维表示生成新表示，使用训练后的所述基于辅助分类器的自动编解码器从新表示中生成合成样本，具体包括：
19、使用训练后的所述基于辅助分类器的自动编解码器中的编码器和量化器，从给定的真实样本中提取低维表示；
20、使用训练后的所述基于时间-频率因果的生成器，结合给定的真实样本的类别标签作为生成条件，从提取的低维表示生成新表示；
21、使用训练后的所述基于辅助分类器的自动编解码器中的解码器，从生成的新表示中生成合成样本。
22、可选地，所述的微多普勒雷达数据增强方法，其中，所述使用训练后的所述基于辅助分类器的自动编解码从新表示中生成合成样本，之后还包括：
23、若需要生成具有模糊类别的样本，从两个不同的真实样本中提取低维表示，设计混合方法模块，通过所述混合方法模块获得混合表示和软标签，依次通过训练后的所述基于时间-频率因果的生成器和所述基于辅助分类器的自动编解码器的解码器生成合成样本，并将合成样本与软标签进行关联，最终通过训练后的所述基于辅助分类器的自动编解码器的辅助分类器筛选出符合要求的合成样本。
24、可选地，所述的微多普勒雷达数据增强方法，其中，所述依次通过训练后的所述基于时间-频率因果的生成器和所述基于辅助分类器的自动编解码器的解码器生成合成样本，之后还包括：
25、如果样本合成过程中类别信息不一致，通过训练后的所述基于辅助分类器的自动编解码器中的辅助分类器丢弃合成样本。
26、可选地，所述的微多普勒雷达数据增强方法，其中，所述低维表示的条件分布为：
27、
28、其中，vm表示低维表示的第m列向量，c表示与低维表示相关的类别标签，v1：m-1表示v1到vm-1的向量序列，m表示低维表示某列，n表示低维表示某行，n表示低维表示的行数，d(m)表示低维表示中第m列的基本多普勒频率，z[m，n]表示低维表示中第m列中第n个元素的幅度，z[m，n-1]表示低维表示中第m列中第n-1个元素的幅度，z[m，n+1]表示低维表示中第m列中第n+1个元素的幅度，表示低维表示中第m列中第d(m)个元素的幅度，p(vm|v1：m-1，c)表示低维表示的条件分布，表示第m列中基本频率元素的幅度分布，幅度分布依赖于前m-1列，表示第m列中大于d(m)的基本频率元素的幅度分布，幅度分布依赖于从d(m)到n-1的多普勒频率元素，表示第m列中小于d(m)的基本频率元素的幅度分布，幅度分布依赖于d(m)到n+1的多普勒频率元素。
29、此外，为实现上述目的，本发明还提供一种微多普勒雷达数据增强系统，其中，所述微多普勒雷达数据增强系统包括：
30、自动编解码器训练模块，用于将微多普勒特征样本输入到基于辅助分类器的自动编解码器，输出合成微多普勒特征样本和类别标签，以完成所述基于辅助分类器的自动编解码器的训练；
31、生成器训练模块，用于将所述基于辅助分类器的自动编解码器得到的低维表示和对应的类别标签输入到基于时间-频率因果的生成器，输出考虑时间因果关系的概率分布，以完成所述基于时间-频率因果的生成器的训练；
32、样本生成模块，用于使用训练后的所述基于辅助分类器的自动编解码器根据给定的真实样本提取低维表示，使用训练后的所述基于时间-频率因果的生成器根据真实样本的类别标签作为生成条件，从低维表示生成新表示，使用训练后的所述基于辅助分类器的自动编解码器从新表示中生成合成样本。
33、此外，为实现上述目的，本发明还提供一种终端，其中，所述终端包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的微多普勒雷达数据增强程序，所述微多普勒雷达数据增强程序被所述处理器执行时实现如上所述的微多普勒雷达数据增强方法的步骤。
34、此外，为实现上述目的，本发明还提供一种计算机可读存储介质，其中，所述计算机可读存储介质存储有微多普勒雷达数据增强程序，所述微多普勒雷达数据增强程序被处理器执行时实现如上所述的微多普勒雷达数据增强方法的步骤。
35、本发明中，将微多普勒特征样本输入到基于辅助分类器的自动编解码器，输出合成微多普勒特征样本和类别标签，以完成所述基于辅助分类器的自动编解码器的训练；将所述基于辅助分类器的自动编解码器得到的低维表示和对应的类别标签输入到基于时间-频率因果的生成器，输出考虑时间因果关系的概率分布，以完成所述基于时间-频率因果的生成器的训练；使用训练后的所述基于辅助分类器的自动编解码器根据给定的真实样本提取低维表示，使用训练后的所述基于时间-频率因果的生成器根据真实样本的类别标签作为生成条件，从低维表示生成新表示，使用训练后的所述基于辅助分类器的自动编解码器从新表示中生成合成样本。本发明利用真实样本训练网络后，可以利用训练完成的网络生成新的样本，进行数据增强，同时数据增强可以显著提高下游分类任务的性能。
1.一种微多普勒雷达数据增强方法，其特征在于，所述微多普勒雷达数据增强方法包括：
2.根据权利要求1所述的微多普勒雷达数据增强方法，其特征在于，所述基于辅助分类器的自动编解码器包括：编码器、量化器、解码器和辅助分类器；
3.根据权利要求2所述的微多普勒雷达数据增强方法，其特征在于，所述基于时间-频率因果的生成器包括：多个因果块、残差和注意力块以及采样块；
4.根据权利要求3所述的微多普勒雷达数据增强方法，其特征在于，所述使用训练后的所述基于辅助分类器的自动编解码器根据给定的真实样本提取低维表示，使用训练后的所述基于时间-频率因果的生成器根据真实样本的类别标签作为生成条件，从低维表示生成新表示，使用训练后的所述基于辅助分类器的自动编解码器从新表示中生成合成样本，具体包括：
5.根据权利要求2所述的微多普勒雷达数据增强方法，其特征在于，所述使用训练后的所述基于辅助分类器的自动编解码从新表示中生成合成样本，之后还包括：
6.根据权利要求5所述的微多普勒雷达数据增强方法，其特征在于，所述依次通过训练后的所述基于时间-频率因果的生成器和所述基于辅助分类器的自动编解码器的解码器生成合成样本，之后还包括：
7.根据权利要求1所述的微多普勒雷达数据增强方法，其特征在于，所述低维表示的条件分布为：
8.一种微多普勒雷达数据增强系统，其特征在于，所述微多普勒雷达数据增强系统包括：
9.一种终端，其特征在于，所述终端包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的微多普勒雷达数据增强程序，所述微多普勒雷达数据增强程序被所述处理器执行时实现如权利要求1-7任一项所述的微多普勒雷达数据增强方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有微多普勒雷达数据增强程序，所述微多普勒雷达数据增强程序被处理器执行时实现如权利要求1-7任一项所述的微多普勒雷达数据增强方法的步骤。
